Edge Computing در دوربینهای ترافیکی: پردازش تصویر بدون نیاز به اینترنت پرسرعت
تحولی در مدیریت ترافیک شهری: چگونه رایانش لبهای (Edge Computing) سرعت و امنیت دوربینهای هوشمند را دگرگون میکند؟
تصور کنید در یک اتوبان شلوغ هستید و یک دوربین ترافیکی، در کسری از ثانیه، یک تصادف را تشخیص میدهد و بلافاصله تابلوی اعلانهای الکترونیکی کیلومترهای عقبتر را تغییر میدهد تا ماشینها سرعت خود را کم کنند. این اتفاق در کمتر از یک پلک زدن رخ میدهد. اما سوال اینجاست: آیا واقعاً تمام آن تصاویر با کیفیت 4K ابتدا به یک مرکز داده در شهری دیگر ارسال شدهاند، آنجا تحلیل شدهاند و سپس دستور بازگشت داده شده است؟
پاسخ کوتاه است: خیر. اگر قرار بود این اتفاق بیفتد، «تاخیر» یا همان Latency، باعث میشد هشدار ترافیکی زمانی برسد که دیگر دیر شده باشد. اینجاست که مفهومی به نام Edge Computing یا «رایانش لبهای» وارد بازی میشود. در واقع، لبه (Edge) همان جایی است که داده تولید میشود؛ یعنی دقیقاً داخل خودِ دوربین یا یک باکس کوچک پردازشی در کنار دکل دوربین. به زبان ساده، ما مغز متفکر را از مرکز شهر نقل مکان دادیم و آن را دقیقا در کنار چشم (دوربین) قرار دادیم.
طبق گزارشهای شرکتهای پیشرو در حوزه زیرساختهای هوشمند مانند مایکروسافت و سیسکو، انتقال پردازش به لبه میتواند حجم دادههای ارسالی به شبکه را تا ۹۰ درصد کاهش دهد و سرعت پاسخدهی سیستمهای ایمنی را به شدت افزایش دهد.
برای اینکه موضوع را برای همه قابل درک کنیم، بیایید یک مثال ساده بزنیم. تصور کنید شما در یک رستوران هستید. اگر هر بار که میخواهید نمک بردارید، باید از سرآشپز در آشپزخانه اجازه بگیرید و او باید از آن طرف سالن بیاید و نمک را به شما بدهد، زمان زیادی تلف میشود. اما اگر نمکدان دقیقاً روی میز شما (در لبه) باشد، نیاز به ارتباط با آشپزخانه ندارید و سریعتر به هدف میرسید. در دوربینهای ترافیکی هم، پردازش تصویر یعنی همان نمکدان روی میز؛ نیازی به سفر طولانی دادهها تا سرورهای مرکزی نیست.
چرا مدلهای قدیمی پردازش (Cloud Computing) دیگر جواب نمیدهند؟
سالها بود که استراتژی ما این بود: «همه چیز را به ابر (Cloud) بفرست». اما وقتی صحبت از ترافیک شهری میشود، این مدل با سه دیوار بزرگ روبرو است که هیچ راهی برای دور زدن آنها جز Edge Computing وجود ندارد.
اولین دیوار، پهنای باند است. دوربینهای مدرن ترافیکی تصاویری با رزولوشن بسیار بالا میگیرند تا بتوانند حتی در شب یا زیر باران، شماره پلاکها را تشخیص دهند. ارسال مداوم دهها جریان ویدئویی 4K از صدها دوربین در یک شهر به یک سرور مرکزی، پهنای باند شبکه را به طور کامل میبلعد. حتی با وجود 5G، هزینه و زیرساخت مورد نیاز برای چنین حجم عظیمی از دادهها، برای بسیاری از شهرداریها و سازمانهای راهنمره و رانندگی غیرممکن یا بسیار گران است.
دومین مشکل، همان تاخیر (Latency) است که قبلاً به آن اشاره کردیم. در سیستمهای مدیریت ترافیک هوشمند، میلیثانیهها حیاتی هستند. اگر سیستمی بخواهد یک خودروی متخلف یا یک حادثه را شناسایی کند و این دادهها باید ابتدا به یک دیتاسنتر در یک شهر دیگر بروند و برگردند، ما با تاخیری روبرو هستیم که در دنیای واقعی یعنی مرگ یا تصادف. پردازش در لبه، این مسیر طولانی را حذف میکند.
و اما سومین دیوار: پایداری و امنیت. وقتی تمام پردازشها در ابر باشند، اگر اتصال اینترنت قطع شود یا یک کابل فیبر نوری در اثر عملیات شهری قطع شود، کل سیستم نظارت ترافیکی شهر کور میشود. اما وقتی دوربین خودش «هوشمند» باشد، حتی بدون اینترنت هم میتواند تخلفات را ثبت کند، شماره پلاکها را در حافظه داخلی ذخیره کند و به محض برقراری مجدد اتصال، گزارشات نهایی را ارسال کند.
مقایسه سریع: پردازش ابری در مقابل پردازش لبهای در دوربینهای ترافیکی
| ویژگی | پردازش در ابر (Cloud) | پردازش لبهای (Edge) |
|---|---|---|
| سرعت پاسخدهی | کند (بستگی به اینترنت دارد) | بسیار سریع (در لحظه) |
| مصرف پهنای باند | بسیار زیاد (ارسال تمام ویدئوها) | بسیار کم (ارسال فقط نتایج) |
| وابستگی به شبکه | وابستگی کامل (قطع اینترنت = توقف) | وابستگی کم (عملکرد مستقل) |
| هزینه ترافیک داده | بالا | پایین |
زیر پوست یک دوربین هوشمند: چه اتفاقی در لبه میافتد؟
شاید بپرسید «چطور یک دوربین کوچک میتواند مثل یک کامپیوتر قدرتمند فکر کند؟». پاسخ در سختافزارهای جدیدی است که به آنها AI Accelerators یا شتابدهندههای هوش مصنوعی میگویند. در گذشته، دوربینها فقط «ضبطکننده» بودند؛ یعنی تصویر را میگرفتند و میفرستادند. اما دوربینهای مبتنی بر Edge Computing دارای تراشههای خاصی مانند GPUهای کوچک یا NPUها (Neural Processing Units) هستند.
این تراشهها دقیقاً برای یک کار ساخته شدهاند: اجرای مدلهای یادگیری ماشین (Machine Learning) با کمترین مصرف انرژی. وقتی تصویر از لنز دوربین وارد میشود، به جای اینکه به صورت خام ارسال شود، از یک سری لایههای تحلیل عبور میکند. این فرآیند را میتوان به صورت مراحل زیر تصور کرد:
- کاهش نویز و پیشپردازش: دوربین ابتدا تصویر را پاکسازی میکند تا اثرات باران یا نور شدید خورشید باعث خطای سیستم نشود.
- تشخیص اشیاء (Object Detection): در این مرحله، هوش مصنوعی میگوید: «این یک ماشین است، این یک موتورسیکلت است و این یک عابر پیاده است».
- ردیابی (Tracking): سیستم متوجه میشود که ماشین A از نقطه X به نقطه Y حرکت کرده و سرعتش را محاسبه میکند.
- تحلیل رفتار: آیا ماشین از خط مقطع رد شده؟ آیا در مسیر مخالف حرکت میکند؟
- استخراج داده (Metadata Extraction): در نهایت، دوربین به جای ارسال یک ویدئو ۱۰ مگابایتی، فقط یک متن کوچک ارسال میکند: «خودرو با پلاک ۱۲۳-۴۵-۶۷ در ساعت ۱۰:۱۵ از خط قرمز عبور کرد».
ببینید چه اتفاقی افتاد! ما حجم داده را از یک ویدئوی سنگین به یک خط متن ساده تبدیل کردیم. این یعنی حتی با یک اینترنت ضعیف یا یک مودم قدیمی، سیستم ترافیکی شهر همچنان با دقت ۱۰۰ درصد کار میکند. این همان جادوی پردازش در لبه است که اجازه میدهد زیرساختهای شهری بدون نیاز به هزینههای نجومی برای ارتقای کل شبکه فیبر نوری، هوشمند شوند.
بیایید روراست باشیم، بسیاری از سازمانها هنوز میترسند که سختافزار لبهای گران باشد یا مدیریت آن سخت باشد. اما اگر نگاهی به هزینه نگهداری سرورهای عظیم و پهنای باند ماهانه بیندازیم، متوجه میشویم که سرمایهگذاری روی سختافزارهای هوشمند در لبه، در بلندمدت بسیار بهصرفهتر است. اگر میخواهید بدانید چگونه این تکنولوژیها میتوانند در پروژههای خاص شما پیادهسازی شوند، پیشنهاد میکنم نگاهی به خدمات تخصصی در مشاوره هوش مصنوعی زایروکس بیندازید تا متوجه شوید چه تفاوتی در بهرهوری ایجاد میشود.
نقش OpenAI و مدلهای بینایی ماشین در این تحول
اگرچه OpenAI بیشتر با ChatGPT شناخته شده، اما پیشرفتهای آنها در مدلهای بینایی (Vision) و ترکیب آن با مدلهای زبانی، راه را برای دوربینهای ترافیکی «توصیفی» باز کرده است. تصور کنید دوربینی که فقط نمیگوید «تصادف شده است»، بلکه میتواند با تحلیل لبهای گزارش دهد: «یک تصادف دو طرفه بین یک کامیون و یک خودروی سواری رخ داده که باعث مسدود شدن دو باند شمالی شده و نیاز به حضور سریع یک آمبولانس و یک جرثقیل است».
این سطح از تحلیل، نیازمند مدلهای بهینهسازی شدهای است که بتوانند روی سختافزارهای کوچک (Embedded Systems) اجرا شوند. فرآیندی به نام Quantization یا «کوانتایزیشن» به ما کمک میکند تا مدلهای غولپیکر هوش مصنوعی را کوچک کنیم بدون اینکه دقت آنها را از دست بدهیم. این یعنی ما مغز یک ابرکامپیوتر را در ابعاد یک تراشه کوچک میگنجانیم و آن را روی دکلهای ترافیکی نصب میکنیم.
شاید بپرسید آیا این کار ریسک امنیتی ندارد؟ اینکه پردازش در لبه باشد، در واقع امنیت را افزایش میدهد. چرا؟ چون دادههای حساس (مانند تصاویر چهره رانندگان یا جزئیات محیطی) هرگز از لبه خارج نمیشوند. فقط «نتیجه تحلیل» به سرور میرود. بنابراین، اگر هکری بتواند ارتباط بین دوربین و مرکز را شنود کند، به جای دسترسی به ویدئوهای زنده، فقط پیامهای متنی سادهای را میبیند که بدون داشتن کلیدهای رمزنگاری سرور، هیچ معنایی ندارند.
چالشهای واقعی در دنیای واقعی: وقتی تئوری با آسفالت برخورد میکند
تا اینجا همه چیز شبیه به یک رویای تکنولوژیک به نظر میرسد؛ دوربینهایی که فکر میکنند، تصمیم میگیرند و ترافیک را مدیریت میکنند. اما بیایید کمی واقعبین باشیم. نصب یک پردازنده قدرتمند روی یک دکل در محیط باز، با قرار دادن آن در یک اتاق سرور خنک و استریل زمین تا آسمان تفاوت دارد. اولین و بزرگترین چالشی که مهندسان در پیادهسازی Edge Computing با آن روبرو هستند، مدیریت حرارتی (Thermal Management) است.
تصور کنید تابستان است و دمای هوا در یک شهر گرمسیر به ۴۵ درجه میرسد. بدنه فلزی دوربین زیر تابش مستقیم خورشید تبدیل به یک اجاق کوچک میشود. پردازندههای هوش مصنوعی برای انجام محاسبات سنگین، گرمی زیادی تولید میکنند. اگر سیستم خنککننده مناسبی در لبه وجود نداشته باشد، پدیده Thermal Throttling رخ میدهد؛ یعنی پردازنده برای اینکه نسوزد، سرعت خود را به شدت کاهش میدهد. نتیجه؟ دوربینی که باید در یک میلیثانیه پلاک را تشخیص دهد، حالا ۵ ثانیه زمان میبرد و در واقع عملاً ناکارآمد میشود.
برای حل این مشکل، طراحان از استراتژیهای مختلفی استفاده میکنند. برخی از دوربینهای پیشرفته از سیستمهای خنککننده غیرفعال (Passive Cooling) با استفاده از سینکهای مسی بزرگ استفاده میکنند تا گرما را به محیط منتقل کنند، و برخی دیگر از جعبههای ایزوله با جریان هوای هدایت شده بهره میبرند. این یعنی سختافزار لبهای باید نه تنها از نظر نرمافزاری هوشمند، بلکه از نظر مکانیکی نیز برای شرایط سخت محیطی مقاومسازی شود.
یکی از پیچیدهترین بخشهای این فناوری، تعادل بین «دقت» و «سرعت» است. هرچه مدل هوش مصنوعی پیچیدهتر باشد، دقت تشخیص بالاتر میرود اما فشار روی سختافزار لبه افزایش یافته و مصرف انرژی بیشتر میشود.
جنگ با نور و سایه: چالشهای بینایی ماشین در محیطهای متغیر
یک دوربین ترافیکی با شرایط نوری بسیار متناقضی روبروست. گاهی خورشید درست در مقابل لنز است و باعث ایجاد «خستگی بصری» یا glare میشود، و گاهی در شب، نور شدید چراغهای بالای خودروها باعث ایجاد نقاط کور یا Overexposure در تصویر میگردد. در مدلهای قدیمی، این تصاویر به سرور میرفتند و اگر کیفیت پایین بود، تحلیلگر انسانی یا سیستم مرکزی خطا میداد.
اما در Edge Computing، دوربین باید خودش بتواند در لحظه تصمیم بگیرد. اینجاست که الگوریتمهای Adaptive Image Processing وارد عمل میشوند. دوربین در لبه، در هر فریم بررسی میکند که آیا تصویر بیش از حد روشن است یا خیر، و سپس در کسری از ثانیه تنظیمات اکسپوژر و کنتراست را تغییر میدهد تا سوژه (خودرو) برای مدل هوش مصنوعی قابل تشخیص باشد. این یعنی دوربین فقط یک چشم نیست، بلکه چشمی است که میداند چگونه در تاریکی یا نور شدید ببیند.
حال بیایید به یک مورد خاص فکر کنیم: بارندگی شدید یا برف. ذرات باران میتوانند برای یک مدل هوش مصنوعی ساده، شبیه به نویز یا حتی اشیاء کوچک به نظر برسند. اگر پردازش در ابر باشد، ارسال هزاران فریم «نویزی» فقط پهنای باند را هدر میدهد. اما پردازنده لبهای با استفاده از فیلترهای پیشرفته، ابتدا لایه نویز باران را حذف کرده و سپس تصویر پاکسازی شده را به مدل تشخیص میدهد. این سطح از هوشمندی، تفاوت بین یک سیستم «نمایشی» و یک سیستم «عملیاتی» است.
مطالعات موردی: Edge Computing در عمل
برای اینکه بهتر درک کنیم این تکنولوژی چگونه دنیا را تغییر داده است، بیایید به چند سناریوی واقعی نگاه کنیم. این مثالها نشان میدهند که وقتی پردازش را به لبه میبریم، چه اتفاقاتی در دنیای واقعی میافتد.
سناریوی اول: مدیریت تقاطعهای هوشمند (Smart Intersections)
در یک تقاطع شلوغ، دوربینهای لبهای نه تنها تخلفات را ثبت میکنند، بلکه تعداد خودروهای منتظر در هر لاین را میشمارند. اگر در یک لاین ۲۰ ماشین منتظر باشند و در لاین مقابل فقط ۲ ماشین، سیستم لبهای بدون نیاز به دستور از سرور مرکزی، به کنترلر چراغ راهنمایی پیام میدهد تا زمان چراغ سبز آن لاین را افزایش دهد. این یعنی کاهش ترافیک در لحظه، بدون اینکه حتی یک بایت داده اضافی به مرکز شهر ارسال شود.
سناریوی دوم: شناسایی سریع خودروهای تحت تعقیب یا سرقتی
تصور کنید پلیس لیستی از ۱۰۰۰ پلاک خودروی سرقتی را دارد. اگر بخواهیم تمام تصاویر دوربینهای شهر را به مرکز بفرستیم تا با این لیست تطبیق داده شوند، فشار روی شبکه وحشتناک خواهد بود. اما در مدل لبهای، لیست پلاکهای مورد نظر (Watchlist) به صورت فشرده روی حافظه داخلی دوربینها آپلود میشود. دوربین فقط زمانی که پلاک مورد نظر را «دید»، یک هشدار فوری به مرکز ارسال میکند. در واقع، دوربین مانند یک نگهبان هوشمند عمل میکند که فقط وقتی اتفاق مهمی افتاد، فریاد میزند.
سناریوی سوم: تشخیص حوادث در تونلها و مسیرهای صعبالعبور
در تونلهای طولانی، دسترسی به اینترنت پرسرعت همیشه تضمین شده نیست. اگر تصادفی رخ دهد و سیستم وابسته به ابر باشد، ممکن است دقایق زیادی طول بکشد تا مرکز متوجه حادثه شود. اما دوربینهای لبهای با تشخیص الگوی «توقف غیرعادی خودرو در مسیر» یا «تشخیص دود و آتش»، بلافاصله سیستمهای هشدار محلی (مثل تابلوهای LED داخل تونل) را فعال میکنند تا رانندگان متوجه خطر شوند، حتی اگر اتصال با مرکز قطع شده باشد.
آیا Edge Computing جایگزین Cloud میشود؟
یک باور اشتباه رایج این است که رایانش لبهای قرار است جایگزین رایانش ابری شود. اما حقیقت این است که این دو، مکمل یکدیگرند، نه رقیب. بیایید این رابطه را با یک ساختار سازمانی مقایسه کنیم.
پردازش در لبه مانند «کارمندانی» است که در خط مقدم هستند؛ آنها تصمیمات سریع، لحظهای و عملیاتی میگیرند. اما Cloud مانند «مدیر ارشد» است. مدیر ارشد نیاز ندارد بداند هر ماشین در چه ثانیهای از خط رد شد، اما نیاز دارد بداند که در کل ماه گذشته، ترافیک در ساعت ۸ صبح چقدر افزایش یافته تا بتواند تصمیم بگیرد که آیا باید یک باند جدید به اتوبان اضافه کند یا خیر.
در واقع، جریان داده به این صورت است: داده خام $\rightarrow$ پردازش در لبه $\rightarrow$ ارسال نتایج (Metadata) $\rightarrow$ تحلیل کلان در ابر $\rightarrow$ بهینهسازی استراتژیک. این چرخه باعث میشود که سیستم هم در لحظه سریع باشد و هم در بلندمدت هوشمند.
وقتی به این پیچیدگیها نگاه میکنیم، مشخص میشود که پیادهسازی چنین سیستمی نیازمند تیمی است که هم سختافزار (Hardware) و هم نرمافزار (AI Models) را بشناسد. بسیاری از شرکتها سعی میکنند از دوربینهای ارزانقیمت بازار استفاده کنند و سپس با نرمافزارهای سنگین روی سرور آنها را مدیریت کنند، اما نتیجه معمولاً یک سیستم کند و غیرقابل اعتماد است. برای رسیدن به بهرهوری واقعی، باید از همان ابتدا روی معماری لبه سرمایهگذاری کرد. اگر در حال حاضر در حال طراحی زیرساختهای نظارتی هستید، بررسی راهکارهای بهینهسازی مدلها در بخش خدمات زایروکس میتواند به شما کمک کند تا از هزینههای اضافی پهنای باند و سختافزارهای ناکارآمد دوری کنید.
آینده ترافیک: وقتی لبهها با هم صحبت میکنند (Collaborative Edge)
اگر فکر میکنید پردازش در لبه فقط به معنای «هوشمند شدن یک دوربین تنها» است، باید بگویم ما تازه در ابتدای راه هستیم. نسل بعدی Edge Computing به سمتی میرود که ما به آن Collaborative Edge یا رایانش لبهای مشارکتی میگوییم. در این مدل، دوربینها دیگر فقط با سرور مرکزی ارتباط برقرار نمیکنند، بلکه با یکدیگر «گفتگو» میکنند.
تصور کنید یک خودروی متخلف با سرعت بسیار بالا در حال فرار است. در سیستمهای فعلی، هر دوربین باید جداگانه خودرو را شناسایی کند و گزارش را به مرکز بفرستد. اما در مدل مشارکتی، دوربین اول (در لبه) پس از شناسایی خودرو، ویژگیهای بصری آن (مانند رنگ، مدل و پلاک) را به دوربینهای بعدی در مسیر احتمالی فرار ارسال میکند. در واقع، دوربین دوم منتظر میماند تا خودرویی با این مشخصات خاص وارد میدان دیدش شود. این کار باعث میشود دقت شناسایی به شدت بالا برود و سرعت ردیابی خودرو در سطح شهر، به جای دقایق، به ثانیهها کاهش یابد.
این سطح از تعامل، نیاز به پروتکلهای ارتباطی بسیار سریع و بهینهای دارد که ترافیک دادهای بین خودِ گرههای لبه (Node-to-Node) مدیریت شود. این یعنی ما یک «شبکه عصبی شهری» خواهیم داشت که بدون نیاز به دخالت مداوم مرکز، محیط را میشناسد و به تغییرات واکنش نشان میدهد.
تأثیر V2X و ادغام با خودروهای خودران
یکی از هیجانانگیزترین بخشهای آینده، ادغام Edge Computing در دوربینهای ترافیکی با تکنولوژی V2X (Vehicle-to-Everything) است. در این سناریو، دوربین ترافیکی دیگر فقط یک ناظر نیست، بلکه به یک «راهنما» تبدیل میشود.
بیایید یک مثال بزنیم: یک خودروی خودران در حال نزدیک شدن به یک پیچ تند است. سنسورهای داخلی خودرو (مثل لایدار یا رادار) ممکن است به دلیل زاویه پیچ، نتوانند خودروی در حال تصادف یا مانعی را که پشت پیچ است ببینند. اما دوربین ترافیکی نصب شده در بالای پیچ، که دید کاملی از کل صحنه دارد، در لبه پردازش میکند و بلافاصله پیامی را به خودروی خودران میفرستد: «توقف کن! در ۵۰ متری جلو، یک مانع وجود دارد». این انتقال داده در سطح لبه، فاصله زمانی واکنش را به حداقل میرساند و میتواند از فجایع جادهای جلوگیری کند.
در واقع، با گسترش رایانش لبهای، شهرها از حالت «واکنشی» (یعنی بعد از حادثه متوجه شوند) به حالت «پیشبینانه» (یعنی قبل از حادثه آن را پیشبینی و جلوگیری کنند) تغییر وضعیت میدهند.
جمعبندی: چرا همین حالا باید به فکر لبه باشیم؟
سرمایهگذاری روی Edge Computing در زیرساختهای ترافیکی، دیگر یک انتخاب لوکس یا یک موضوع مربوط به فیلمهای علمی-تخیلی نیست؛ بلکه یک ضرورت اقتصادی و عملیاتی است. ما در دنیایی زندگی میکنیم که حجم دادههای بصری با سرعت سرسامآوری در حال رشد است و هیچ شبکهای، هرچقدر هم قدرتمند باشد، نمیتواند تمام این دادههای خام را بدون گلوگاه (Bottleneck) منتقل کند.
به یاد داشته باشید که مزایای این تکنولوژی را میتوان در سه کلمه خلاصه کرد: سرعت، امنیت و مقیاسپذیری. وقتی پردازش را به لبه میبریم، نه تنها هزینههای پهنای باند را کاهش میدهیم، بلکه سیستمی میسازیم که در برابر قطعی اینترنت مقاوم است، حریم خصوصی کاربران را با ارسال نکردن تصاویر خام حفظ میکند و در لحظات حساس، جان انسانها را نجات میدهد.
البته، مسیر پیادهسازی این سیستمها ساده نیست. انتخاب سختافزار مناسب، بهینهسازی مدلهای هوش مصنوعی برای اجرا روی تراشههای کوچک و مدیریت گرمای محیطی، نیاز به تخصص عمیقی در هر دو دنیای سختافزار و نرمافزار دارد. اشتباه در هر یک از این مراحل میتواند منجر به خرید تجهیزاتی شود که یا بیش از حد گران هستند و یا در محیط واقعی کار نمیکنند.
اگر شما هم در حال توسعه یک سیستم نظارتی هستید یا قصد دارید زیرساختهای ترافیکی سازمان خود را هوشمند کنید و نمیدانید از کجا شروع کنید تا تعادل بهینهای بین هزینه و کارایی ایجاد کنید، بهتر است با متخصصانی مشورت کنید که تجربه تبدیل مدلهای سنگین AI به نسخههای بهینه لبهای را دارند. شما میتوانید برای بررسی نیازهای خاص پروژه خود و دریافت یک نقشه راه فنی، از طریق بخش تماس با ما در زایروکس با کارشناسان ما در ارتباط باشید تا با هم بررسی کنیم چگونه میتوان پردازش تصویر را در پروژههای شما به سطح جدیدی از سرعت و دقت رساند.
پایان مقاله: Edge Computing در دوربینهای ترافیکی - راهکاری برای مدیریت هوشمند شهری بدون وابستگی به اینترنت پرسرعت.